联系我们
绝缘栅双极型晶体管（Insulated Gate Bipolar Transistor，IGBT）广泛应用于现代电力电子装置中，是其中重要、也是容易失效的功率半导体器件。IGBT的可靠性在一定程度上决定了电力电子装置的整体可靠性。当变频器处理反复波动的负载功率时，IGBT芯片的温度（通常等效为芯片PN结的温度，简称结温）随之大幅波动。结温的波动会在IGBT内部产生热应力冲击，加速老化，造成IGBT失效。因此，IGBT结温的在线监测是变频器功率控制、IGBT寿命预测的先决条件。除寿命预测外，IGBT结温信息还有助于实现过温保护，这同样有助于提高变流器的可靠性，增加变流器的无故障服务时间。如何实现高精度、快响应的IGBT结温实时监测，成为近年来学术界与工业界的研究热点之一。
针对这一热点问题，ABB杯创新大赛设计了“变频器半导体温度预测AI建模挑战赛”的新赛题，要求选手们通过挖掘数据价值，解决具体的应用难题：基于ABB提供的来自真实工业场景的数据，综合利用机器学习、大数据预测等技术，分析设备数据间的关系，并在Python环境下自主开发和建立变频器核心元件IGBT的温度估测模型，对不同负载功率下IGBT的温度波动进行高精度、快响应的实时监测。模型的准确性和创新性是决定选手胜败的关键。
面对赛题所给出的数据，甘子毅、吴舜禹同学在与导师多次讨论后，决定以多工况为切入点，通过特征挖掘对IGBT运行工况进行划分，再对应设计不同复杂度的机器学习模型。实验结果表明，所提出的分解预测模型可以在大数据集中显著加快训练和推理速度，并同时兼顾了预测精度。
机器学习中，数据、算法是核心要素。数据分布的复杂性为模型架构的选择和后续训练带来挑战。针对‘变频器半导体温度预测’AI建模，上海交通大学参赛队利用行业领域先验知识，将数据依据工况分类，其本质上类似于将数据空间复杂流形进行分片，每一个分片是一个具有相对简单结构的子流形。在子流形上，可采用相对简单的模型即可取得理想的效果，训练变得更加容易，推理性能。通过引入领域知识对数据进行前处理，该方法有较好的普适性，在多个领域有较好的推广前景。面向工业预测类算法场景，获奖选手对赛题理解深入、建模流程清晰，考虑了多工况下特征与预测目标之间关系的差异性，采用差分、组合、变换等特征工程方法，同时从机理角度提取关键特征，根据不同工况尝试不同复杂度的回归模型及集成学习方法，模型具备较高的鲁棒性和推理速度。
这次比赛的选题是AI在工业电子和自动化领域应用的热点和难点问题之一。经过近几年大量头部企业和学术团队的探索，大家的关注点已经从数据和模型的有无问题，转变为数据和模型的实用性问题，甚至是数据和模型的‘去粗存精’的问题。获奖团队采取了领域知识与AI建模深度融合的策略，完全符合行业的共识和趋势。进一步地，他们根据对电力电子器件工况的深入理解，有效化简了数据空间，提高了算法的精度和运行效率。这些进展，对解决这一大类工业数据和AI模型的去粗存精问题，都有启发意义。同时这个工作也展示了，跨学科的知识结构和人才培养，对实现工业AI落地的重要性。
更多详情关注：ABB电机官网
- 下一篇：ABB电机公司介绍
- 上一篇：ABB前沿技术赋能中国客户产业转型和数字化发展
